Sistema de procesamiento de imágenes para la identificación de biomarcadores en las etapas de la retinopatía diabética

Abstract

Esta tesis tiene como propósito el desarrollo de un sistema especializado de procesamiento de imágenes para la detección y segmentación de biomarcadores asociados a las etapas de la retinopatía diabética. El sistema propuesto integra técnicas avanzadas de visión por computadora y aprendizaje profundo, empleando arquitecturas como CNN (de sus siglas en inglés, Convolutional Neural Networks) y ViT (de sus siglas en inglés, Visión Transformers) para la clasificación de imágenes. Así como, SAM (de sus siglas en inglés, Segment Anything Model) para la segmentación y YOLO (de sus siglas en inglés, You Only Look Once) para la localización de biomarcadores, como microaneurismas, exudados duros, exudados suaves y hemorragias. El enfoque incluye la implementación de preprocesamientos que mejoran la calidad de las imágenes mediante técnicas como CLAHE (de sus siglas en inglés, Contrast Limited Adaptive Histogram Equalization) y Filtro de Ben. Además, se utiliza la generación de imágenes sintéticas a través de CycleGan (de sus siglas en inglés, Cycle Generative Adversarial Network) y NST (de sus siglas en inglés, Neural Style Transfer) para ampliar y diversificar los conjuntos de datos, superando las limitaciones de disponibilidad de imágenes sintéticas. El sistema fue validado mediante métricas de rendimiento como precisión, Accuracy, Recall, F1-Score y Confusion Matrix. Estas métricas permitieron medir la efectividad del modelo en la detección de biomarcadores y clasificación de las etapas de la retinopatía diabética.